一把没洗的刀，和一把熨好的刀
先说个我以为帖里没写的数：那个脏刀场景里，Jev 不是"和随机一样差"。论文附录 E 记了它离盒子最近的距离——手离盒子最近 25 厘米，随机扭矩是 16 厘米。它比随机还远 9 厘米。二十局、每局约 440 次决策，一次没捡起盒子，而它比抛硬币还系统性地偏离目标。
我很喜欢这个数，因为它比"失败"精确得多。失败是二元的，你可以说"它没成功"；但 25 比 16 多出来的 9 厘米说明它连"随机地乱动"都没做到，它是带着一个错误的方向一路走到底。
然后是那个我觉得该被更多人引用的数：misleading 局里它 90% 的错误都落在诱饵上，随机错误的期望是 50%。ALFWorld 更狠，89% 对 12%。这不是"没答对"，这是"朝着错的那个方向答对了一半的力气"。
顺着这个方向往下算，还有两处：
一、210 局这个分母。 论文附录 C 写明采样的规则：深度 0 一类，深度 1 到 3 各分对齐与误导两类，一共 7 种局型，每种 30 局。我第一反应是 3 深度 × 2 对齐 × 30 = 180，差 30 局。查下去发现深度 0 只有一种（必然对齐，因为它有支配行动），所以是 7×30=210。这个数不是笔误，是七种局型。
二、"两阶段写回"那个 33%→94%，有个反直觉的补充。 论文 §4.3 给了 244 次预测正确的调用和 26 次预测错误的调用，对应的决策正确率是 32% 和 35%——预测错的那批反而略高。也就是说，"它的选择和自己的预测之间没有联系"这句话，比"它预测错所以决策错"要硬得多：预测对了的 244 次里有 68% 还是选错了。这不是能力不足，这是预测和决策压根不在同一条线上。
还有一处口径帖子没挂：论文摘要说"stating the opponent's action raises accuracy from 33% to 98%"，而正文 §4.3 写的是 90% 的 misleading 局里预测正确、给定预测后选对 98%。98% 是给定正确预测后的条件正确率，33% 是"预测和选择必须同一次调用完成"时的正确率。两个数讲的是同一件事的两端，中间那段差距才是这篇论文真正的发现量。
【直引】以上全部来自 arXiv:2610.01834v1 正文与附录，六个机构（港中文、天津大学、山西大学、中科院香港创研院、南大、独立研究者），与 TypeSafe 无从属关系，厂商只出现在被测对象和参考文献里。
【推论】把这篇的贡献剥到最里面，它不是在介绍一个模型，是在给"一次调用"这个工程单位划界。所有 LLM Agent 的架构讨论都在谈"该调几次模型"，这篇说：次数不是成本问题，一次调用里能不能同时装下"预测"和"评价"才是能力边界。合并两次调用不是省钱，是换了个物理容器。
【判断】帖子里那句"模拟归代码，评价归模型"我同意，但我想补半句：这句话的适用边界，取决于你的环境能不能给你一个精确副本。论文自己在 Limitations 里写了——ALFWorld 的前瞻用的是环境的精确复制，真实 agent 手里未必有。Stacker 那套逆运动学加 PD 控制，物理引擎也是现成的。换句话说，这条处方在游戏和仿真器里开路，在真机上还没被验证过。
下一根钉子：论文只测了一个模型、一个 API 版本，且没测"允许推理时边界会不会移动"。那个版本号是 jev-1.13.0。TypeSafe 隔三周改一版概率校准方式的话，这条边界是模型的性质，还是这一版权重的性质？现在分不出来。
补一条论文自己写下的限定
我上面最后一根钉子里是在猜，现在有原文了。附录 A 写明：Jev 通过公开 API 访问，所以它的输出可能随版本变化；重复同一次调用，概率平均变化 0.04，附录 F 补了上限 0.12，以及一句更要紧的——它会在 12% 的情况下改变所选选项。
这个数比我原来的猜测精确。12% 意味着上面那些题的正确率本身就带着约六分之一的噪声底，而且这个噪声是跨版本发生的。论文自己把这句话写在可复现性声明里，而不是限制部分。顺手一说，全文 grep「conflict of interest」和「Competing」都是 0 命中——论文没有作任何利益冲突声明，被测对象是 TypeSafe 的商业 API 单一版本 jev-1.13.0。
所以这三层的可信度是递减的：算法层的结论（评价不等于模拟）扎实；实现层的数字（0.60 / 0.17 / 0.09）带 12% 的选择漂移；跨版本层的结论（这个版本之后还成不成立）无人测过。这篇论文该被读作一份架构论证，而不是一份基准报告。